Drie zwakke plekken van AI in de zorg – en hoe je ze oplost

AI in de Nederlandse zorg heeft drie grote blinde vlekken

Meer dan 60% van de Nederlandse zorgorganisaties experimenteert inmiddels met AI-toepassingen: van triage-algoritmen op de SEH tot beslisondersteuning in het EPD. Tegelijk hoor je aan de koffietafel in het ziekenhuis iets heel anders:

“We hebben wéér een AI-pilot, maar niemand weet wie er verantwoordelijk is als het misgaat.”

Daar zit precies de crux. In de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” kijken we niet alleen naar kansen, maar ook naar de risico’s. De WHO waarschuwt in een recent rapport dat drie knelpunten bij AI in de zorg structureel onderschat worden. Nederland doet het internationaal behoorlijk goed, maar die drie zwakke plekken gelden hier net zo hard.

In deze blog fileer ik die drie zwakke plekken en maak ik ze zo concreet dat je ze in je eigen organisatie kunt herkennen. Belangrijker: je krijgt handvatten hoe je ze in 2026 ombuigt naar verantwoorde, schaalbare inzet van AI in de Nederlandse zorg.

---

1. Onvoldoende datakwaliteit en bias in zorgdata

De grootste zwakke plek van AI in de zorg is simpel: rommel erin = rommel eruit. Veel AI-modellen worden getraind op zorgdata die incompleet, scheef verdeeld of verouderd zijn.

Waar gaat het mis in Nederlandse zorgdata?

In Nederlandse ziekenhuizen, VVT en GGZ zie je steeds dezelfde patronen:

• Incompleet EPD: artsen en verpleegkundigen hebben chronisch tijdtekort. Registraties zijn minimaal, niet gestandaardiseerd of dubbelvastgelegd in vrije tekst.
• Scheve populaties: datasets komen vaak uit één type ziekenhuis (bijvoorbeeld academisch) en zijn slecht representatief voor regionale ziekenhuizen of de wijkzorg.
• Weinig diversiteit: mensen met een migratieachtergrond, lage SES of beperkte digitale vaardigheden zijn ondervertegenwoordigd in de data.

Gevolg: AI-systemen voor bijvoorbeeld risicoscores, triage of beeldherkenning presteren prima in de gecontroleerde pilot, maar een stuk minder op een ‘echte’ SEH in een streekziekenhuis of in de thuiszorg.

Concreet risico: AI die ongelijkheid vergroot

De WHO is hier heel duidelijk over: slecht ontworpen AI kan gezondheidsverschillen vergroten. Een paar realistische scenario’s voor Nederland:

• Een AI-model voor hartfalen herkent risicopatiënten slechter bij vrouwen, omdat historische data vooral zijn gebaseerd op mannen van middelbare leeftijd.
• Een triagetool voor de huisartsenpost onderschat klachten van patiënten die hun symptomen minder precies kunnen verwoorden.
• Een beeldalgoritme voor dermatologie werkt goed op lichte huid, maar veel minder op een donkere huid, omdat die nauwelijks in de trainingsset voorkomt.

Als je dit niet actief monitort, creëer je stilletjes een tweedeling in zorgkwaliteit. Juridisch en ethisch is dat in Nederland simpelweg niet houdbaar.

Wat werkt wel? Drie praktische stappen

Wil je AI verantwoord gebruiken in je organisatie, dan moet datakwaliteit geen bijzaak zijn, maar een bestuurlijk thema.

1. Datagovernance als randvoorwaarde
   Richt een multidisciplinair datagovernance-team in (CIO/CMIO, data scientist, kwaliteitsfunctionaris, jurist, verpleegkundige, arts). Leg vast:

   • wie eigenaar is van welke datasets;
   • hoe datakwaliteit wordt gemeten (compleetheid, actualiteit, consistentie);
   • wie mag beslissen of een dataset geschikt is voor AI.

2. Bias-audits vóór én ná implementatie
   Test AI-modellen expliciet op prestatieverschillen tussen groepen (geslacht, leeftijd, etniciteit, SES). Publiceer die resultaten intern.

3. Datakwaliteit koppelen aan werkprocessen

   • Maak registratie slimmer in plaats van zwaarder: meer structured data, minder vrije tekst waar het kan.
   • Gebruik AI ook om datakwaliteit te verbeteren (bijvoorbeeld automatische signalering van ontbrekende waarden), maar houd een mens aan het roer.

Wie deze basis niet op orde heeft, zou eerlijk gezegd nog niet aan AI in de directe patiëntenzorg moeten beginnen.

---

2. Onduidelijke verantwoordelijkheid en gebrekkige governance

De tweede zwakke plek: niemand weet precies wie waarvoor verantwoordelijk is als AI wordt ingezet in zorgprocessen. Dat zie je bij bijna alle pilots in Nederlandse zorginstellingen terug.

Wie is er aansprakelijk als AI verkeerd adviseert?

Een herkenbare situatie:

• Een AI-beslisondersteuner in het EPD doet een behandelvoorstel.
• De arts volgt dat voorstel, maar de uitkomst is schadelijk voor de patiënt.

Dan komen de vragen:

• Is de arts verantwoordelijk, omdat hij/zij altijd eindverantwoordelijk blijft?
• Is de leverancier verantwoordelijk, omdat het model aantoonbaar fout adviseerde?
• Is de raad van bestuur verantwoordelijk, omdat er geen duidelijke kaders waren voor AI-gebruik?

Zonder duidelijke governance wordt AI een grijs gebied. En in de zorg is een grijs gebied simpelweg onacceptabel.

Wat vraagt AI van raden van bestuur en medisch leiderschap?

Goede AI-governance betekent dat bestuur, medisch stafbestuur en ICT samen expliciet keuzes maken:

• Voor welke beslissingen mag AI alléén advies geven, en voor welke mag het (deels) beslissen?
• Wanneer is ‘menselijke supervisie’ echt geborgd, in plaats van een formaliteit?
• Welke AI-toepassingen vallen onder de MDR (Medical Device Regulation) en welke niet?

De WHO ziet wereldwijd dat dit vaak ontbreekt. In Nederland zie je het terug in losse pilots zonder duidelijke besluitvormingslijn, of in innovatietrajecten die volledig bij een enthousiast team op de IC of de radiologie liggen, zonder stevige bestuurlijke verankering.

Bouw een concreet AI-governancemodel

Een werkend model hoeft niet complex te zijn. Je kunt starten met drie niveaus:

1. Strategisch niveau (RvB, medisch stafbestuur, verpleegkundige raad)

   • Formuleer een AI-visie: waar mag AI wel en waar niet bij helpen?
   • Stel principes vast: transparantie, uitlegbaarheid, mens-verantwoordelijkheid.

2. Tactisch niveau (AI-/datasteering committee)

   • Beoordeelt nieuwe AI-initiatieven op impact, risico, compliance en ethiek.
   • Toetst of pilots voldoen aan minimale eisen voor datakwaliteit, bias, testplan en monitoring.

3. Operationeel niveau (teams, vakgroepen, leveranciers)

   • Leg per AI-toepassing vast: wie is inhoudelijk eigenaar, wie beheert, wie monitort.
   • Spreek af: wanneer wordt een AI-systeem gepauzeerd of uitgezet (stopknoppen)?

Als je dit vóór de volgende pilot op papier zet, voorkom je eindeloze discussies achteraf – en maak je de stap van experiment naar verantwoorde uitrol veel realistischer.

---

3. Te weinig focus op mens & werkvloer: adoptie blijft hangen

De derde zwakke plek is misschien wel de meest onderschatte: AI wordt als techniekproject benaderd, terwijl het in de kern een veranderproject is.

In bijna elk ziekenhuis hoor je hetzelfde verhaal:

“Technisch werkt het prachtig, maar in de praktijk gebruikt bijna niemand het.”

Waarom zorgprofessionals afhaken

Zorgverleners in Nederland hebben de afgelopen tien jaar al een tsunami aan digitalisering gekregen: EPD’s, portalen, registratielasten, kwaliteitsindicatoren. Als daar AI “ook nog even” bij komt zonder duidelijke winst op het werk, dan is de weerstand logisch.

Veel gehoorde ergernissen:

• AI-beslisondersteuning die pop-ups geeft op momenten dat een arts onder tijdsdruk staat.
• Tools die de klinische vrijheid lijken in te perken: “Het systeem zegt X, dus je moet uitleggen waarom je Y doet.”
• Geen heldere uitleg hoe het model tot een advies komt, waardoor vertrouwen ontbreekt.

De WHO wijst precies hierop: als zorgprofessionals onvoldoende worden betrokken, blijft AI hangen in pilots en ‘showcases’, zonder echte impact op kwaliteit en efficiency.

Zo organiseer je échte AI-adoptie op de werkvloer

Wil je dat AI in 2026 écht iets doet voor werkdruk en zorgkwaliteit, dan moet de werkvloer leidend zijn, niet de techniek.

1. Begin bij een concreet werkprobleem, niet bij een algoritme

   • Voorbeeld: een SEH waar wachttijden uit de hand lopen, of een wijkteam dat ’s nachts steeds te weinig capaciteit heeft.
   • Formuleer samen met artsen/verpleegkundigen de vraag: waar zit de grootste pijn? Daar komt AI óf wel óf niet in beeld.

2. Co-design met zorgprofessionals en patiënten

   • Laat AI-prototypes testen door de mensen die ermee gaan werken.
   • Vraag: “Wanneer zou je dit wél gebruiken? Wanneer absoluut niet?”

3. Train niet alleen in de tool, maar ook in klinisch redeneren mét AI

   • Opleidingen voor arts-assistenten, verpleegkundig specialisten en triagisten moeten gaan over:
     • herkennen wanneer AI buiten zijn geldige domein valt;
     • omgaan met tegenstrijdige signalen (kliniek vs. model);
     • documenteren hoe AI in een besluit is meegewogen.

4. Meet adoptie en impact net zo serieus als technische performance

   • Monitor:
     • gebruik (hoe vaak geactiveerd, hoe vaak gevolgd of genegeerd);
     • effect op doorlooptijd, veiligheid, tevredenheid.
   • Stop met AI-toepassingen die op de werkvloer niet aantoonbaar helpen.

De realiteit: de meeste zorgorganisaties investeren meer in techniek dan in verandermanagement. Dat is precies waarom AI zo vaak in de “pilot-bak” blijft hangen.

---

Hoe past dit in de bredere AI-strategie van de Nederlandse zorg?

Binnen de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” zie je een terugkerend patroon: succesvolle AI-toepassingen zijn bijna nooit ‘magische’ technologie, maar wél:

• stevig verankerd in datagovernance;
• gedragen door bestuur, medisch leiderschap en werkvloer;
• gekoppeld aan concrete problemen (wachttijden, heropnames, complicaties, werkdruk).

De drie zwakke plekken uit het WHO-rapport zijn dus geen abstracte risico’s. Het zijn precies de punten waar jouw volgende AI-project op gaat stranden – óf waarop je je kunt onderscheiden als organisatie.

Wat kun je morgen al doen?

Wil je in jouw instelling een stap zetten richting verantwoorde, schaalbare AI in 2026?

• Maak een korte scan: hoe scoren jullie op de drie punten – datakwaliteit/bias, governance, adoptie? Wees eerlijk.
• Kies één pilot opnieuw uit: breng datakwaliteit, verantwoordelijkheid en werkvloerinbreng expliciet in kaart. Pas het ontwerp aan waar nodig.
• Zorg dat de RvB eigenaar wordt van een AI-visie, niet de innovatiemanager in zijn eentje.

AI kan de Nederlandse zorg helpen met precies de vraagstukken die nu op je agenda staan: personeelstekort, vergrijzing, betaalbaarheid, passende zorg. Maar alleen als je bereid bent om de zwakke plekken net zo serieus te nemen als de beloften.

De vraag is dus niet óf je met AI aan de slag gaat, maar of je het durft te doen met volwassen databeleid, heldere verantwoordelijkheid en een eerlijke plek voor de mens op de werkvloer.